CN110473177A - 皮肤色素分布预测方法、图像处理系统及存储介质 - Google Patents
皮肤色素分布预测方法、图像处理系统及存储介质 Download PDFInfo
- Publication number
- CN110473177A CN110473177A CN201910693281.6A CN201910693281A CN110473177A CN 110473177 A CN110473177 A CN 110473177A CN 201910693281 A CN201910693281 A CN 201910693281A CN 110473177 A CN110473177 A CN 110473177A
- Authority
- CN
- China
- Prior art keywords
- image
- pigment
- picture
- rgb
- skin
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 239000000049 pigment Substances 0.000 title claims abstract description 63
- 238000013277 forecasting method Methods 0.000 title claims abstract description 14
- 238000012545 processing Methods 0.000 title claims abstract description 10
- 238000012549 training Methods 0.000 claims abstract description 37
- 238000012360 testing method Methods 0.000 claims abstract description 23
- 239000003086 colorant Substances 0.000 claims abstract description 8
- 230000002708 enhancing effect Effects 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 238000002156 mixing Methods 0.000 claims description 2
- 210000003491 skin Anatomy 0.000 description 27
- 238000000034 method Methods 0.000 description 15
- 102000001554 Hemoglobins Human genes 0.000 description 4
- 108010054147 Hemoglobins Proteins 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 4
- 238000012417 linear regression Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000036564 melanin content Effects 0.000 description 3
- XUMBMVFBXHLACL-UHFFFAOYSA-N Melanin Chemical compound O=C1C(=O)C(C2=CNC3=C(C(C(=O)C4=C32)=O)C)=C2C4=CNC2=C1C XUMBMVFBXHLACL-UHFFFAOYSA-N 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 206010015150 Erythema Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000005388 cross polarization Methods 0.000 description 1
- 210000002615 epidermis Anatomy 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 239000000155 melt Substances 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000000474 nursing effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 210000001519 tissue Anatomy 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30196—Human being; Person
- G06T2207/30201—Face
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Probability & Statistics with Applications (AREA)
- General Engineering & Computer Science (AREA)
- Operations Research (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Algebra (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种皮肤色素分布预测方法、图像处理系统及存储介质,获取训练集和测试集,所述训练集包括多对图片,每一对图片包括RGB图像和其对应的色素伪彩色图像;所述测试集包括多张不同肤色的RGB图像;对于训练集中的任一对图片,对该对图片中的色素伪彩色图像进行转换;选择最能代表色素分布的通道,该通道图像的像素和该对图片中的RGB图像的像素构成训练样本对,利用所述训练样本对建立回归关系并求取回归系数;对于测试集中的任一RGB图像,将该RGB图像的每个像素值与所述回归系数进行回归操作,计算每个像素的预测值V,可视化所有预测值,得到色素分布预测图P。本发明无需借助专门的复杂昂贵的硬件设备即可实现皮肤色素分布预测和变化趋势预测。
Description
技术领域
本发明涉及图像处理领域,特别是一种皮肤色素分布预测方法、图像处理系统及存储介质。
背景技术
皮肤的颜色主要由皮肤组织中表皮层的黑色素含量和真皮层的血红蛋白含量共同作用决定。一旦皮肤发生炎症,皮肤敏感或者表皮层变薄,体现在皮肤颜色上为皮肤变得透红。随着年龄增长,紫外线照射等因素影响,黑色素含量会逐渐增多,表现在皮肤上为出现褐色或黑色的色斑。如图1所示。
1)Canfield公司的图像分析仪(文献1:Technology Overview,文献2:REFLECTANCE IMAGING AND ANALYSIS FOREVALUATING TISSUE PGMENTATION Patent No:US 8.498,460B2)VISIA利用专门昂贵光学成像硬件设备和RBX颜色空间转换技术,对皮肤组织色素反射成像,建立起RGB颜色空间到RBX颜色空间的映射关系(其中R表示Red,代表皮肤红色分量,B表示Brown,表示皮肤棕色分量),并将红色分量和棕色分量可视化出来,从而显示出皮肤血红蛋白和和色素含量的分布,如图2所示。
VISIA色素成像系统为了获取RGB像素值与色素含量之间的回归系数,需要专门搭建复杂的成像系统,需要专门的硬件设备,复杂的光学知识,费时耗力。
发明内容
本发明所要解决的技术问题是,针对现有技术不足,提供一种皮肤色素分布预测方法、图像处理系统及存储介质,无需借助硬件设备即可预测皮肤色素变化分布。
为解决上述技术问题,本发明所采用的技术方案是:一种皮肤色素分布预测方法,包括以下步骤:
1)获取训练集和测试集,所述训练集包括多对图片,每一对图片包括RGB图像和其对应的色素伪彩色图像;所述测试集包括多张不同肤色的RGB图像;
2)对于训练集中的任一对图片,对该对图片中的色素伪彩色图像进行转换,得到转换后的三个通道分量A、B、C;选择最能代表色素分布的通道,该通道图像的像素和该对图片中的RGB图像的像素构成训练样本对,利用所述训练样本对建立回归关系并求取回归系数;
3)对于测试集中的任一RGB图像,将该RGB图像的每个像素值与所述回归系数进行回归操作,计算每个像素的预测值V,可视化所有预测值,得到色素分布预测图P。
步骤3)之后,还执行如下操作:
4)将测试集中的任一RGB图像I0转换到HSV颜色空间,得到图像I;
5)设置对比度增强系数,对所述色素分布预测图P进行对比度增强,得到图像P’;
6)将图像P’替换图像I中的S通道分量,得到图像I’,将图像I’变换到RGB颜色空间,得到图像I1;
7)融合RGB图像I0和I1,得到图像I2;
8)调整所述对比度增强系数,重复步骤5)~7),得到皮肤色素变化预测趋势图像序列。
步骤5)中,利用所述色素分布预测图P得到色素分布热力图和/或色素分布红区图。
步骤5)中,对比度增强后的色素分布预测图为P’,P’(x,y)=(1+alpha)*P(x,y);P’(x,y)、P(x,y)分别为图像P’、图像P任意位置的像素值;alpha的取值范围为[0.0,1.0]。
步骤7)中,I2(x,y)=(1-alpha)*I0(x,y)+alpha*I1(x,y);I2(x,y)、I0(x,y)、I1(x,y)分别为图像I2、图像I0、图像I1任意位置的像素值。
步骤2)中,将所述色素伪彩色图像转换到HSV颜色空间;则S通道为最能代表色素分布的通道。
步骤2)中,利用回归模型建立训练集中任一RGB图像与色素含量的关系,通过优化回归模型,得到最优回归系数。
相应地,本发明还提供了一种图像处理系统,其包括:
采集单元,获取训练集和测试集,所述训练集包括多对图片,每一对图片包括RGB图像和其对应的色素伪彩色图像;所述测试集包括多张不同肤色的RGB图像;
训练单元,用于执行如下操作:对于训练集中的任一对图片,对该对图片中的色素伪彩色图像进行转换,得到转换后的三个通道分量A、B、C;选择最能代表色素分布的通道,该通道图像的像素和该对图片中的RGB图像的像素构成训练样本对,利用所述训练样本对建立线性回归关系并求取回归系数;
测试单元,用于执行如下操作:对于测试集中的任一RGB图像,将该RGB图像的每个像素值与所述回归系数进行线性组合,计算每个像素的预测值,可视化所有预测值,得到色素分布预测图P。
本发明的图像处理单元还包括色素变化趋势预测单元,用于将测试集中的任一RGB图像I0转换到HSV颜色空间,得到图像I;设置对比度增强系数,对所述色素分布预测图P进行对比度增强,得到图像P’;将图像P’替换图像I中的S通道分量,得到图像I’,将图像I’变换到RGB颜色空间,得到图像I1;融合图像I0和I1,得到图像I2;调整所述对比度增强系数,重复上述操作即得到皮肤色素变化预测趋势图像序列。
作为一个发明构思,本发明还提供了一种计算机可读存储介质,其存储有计算机程序,该计算机程序用于执行上述皮肤色素分布预测方法的步骤。
与现有技术相比,本发明所具有的有益效果为:
1、本发明无需借助专门的复杂昂贵的硬件设备即可实现皮肤色素分布预测和变化趋势预测,极大地节省了成本;
2、本发明的方法易于实现,且可以更加直观地展示色素变化趋势。
附图说明
图1为皮肤发生炎症时的示意图;其中,(a)为敏感部位;(b)为黄褐色色斑部位;
图2为Canfield公司的图像分析仪显示出皮肤血红蛋白和和色素含量的分布图;
图3为不同肤色的VISIA拍摄出的RGB图像和对应的色素伪彩色图像;其中,(a)为RGB原图;(b)为血红素分布伪彩色图;
图4为色素伪彩色图转换到HSV颜色空间示意图;其中,(a)为血红素分布伪彩色图;(b)为血红素分布伪彩色图S通道;
图5为RGB图或去相关后的图或其它颜色空间获取过程示意图;其中,(a)为血红素分布伪彩色图S通道;(b)为RGB图或去相关后的图或其它颜色空间;
图6为本发明色素分布预测结果图;其中,(a)RGB图;(b)色素分布预测图;(c)色素分布预测红区图;(d)色素分布预测热力图;
图7为本发明alpha值变化时得到的色素变化趋势图序列;(a)Alpha=0.4;(b)Alpha=0.7;(c)Alpha=0.9;
图8为本发明训练流程图;
图9为本发明预测色素变化趋势流程图;
图10为本发明预测色素分布流程图。
具体实施方式
本发明包括训练过程和预测过程。
训练过程如下:
(1)收集不同肤色的VISIA拍摄出的RGB图像和对应的色素伪彩色图像。如下图(以血红素为例,黑色素类似)
(2)将色素伪彩色图转换到HSV颜色空间,并以S通道代表色素含量分布,也即S通道图像中某区域灰度值越大,表示此区域色素含量越高。如图3所示。
(3)线性回归如图4所示,用线性回归模型建立RGB图像像素值与色素含量的关系,RGB图中每个像素和对应的S通道图像中的像素构成一个训练样本,通过最小二乘法,求得最优的一个回归系数,即V=w0+w1*R+w2*G+w3*B;V表示血红蛋白或黑色素含量,R,G,B分别表示交叉偏振光所成图像的红色,绿色和蓝色分量值(也可以用去相关后的变量作为回归自变量)。w0,w1,w2和w3表示回归系数,求得分别为0.91634196,-3.3505375,2.4321294,-0.026772279。
本发明的预测过程包括色素分布预测过程和色素变化趋势并在RGB原图上展示过程。
色素分布预测为:对于测试集中的一张RGB测试图,为了预测该图的色素分布,只需要该图所有像素RGB像素值跟训练得到的回归系数做线性组合,即对每个像素有V=w0+w1*R+w2*G+w3*B。将所有预测值V可视化出来变得到色素分布预测图。对色素分布预测图利用伪彩色技术上色,变得到跟VISIA一样的色素分布红区图。用热力图的形式上色,得到色素分布热力图。如图5所示。
预测色素变化趋势并在RGB原图上展示过程如下:对于一张色斑异常的人脸图像,如果不进行及时护理,势必会越来越严重,如能将这种变化趋势形象直观地展现给用户,可给用户更加真实的体验。具体实现如下:
(1)将RGB图Irgb(I0)转换到HSV颜色空间得到Ihsv(I)。
(2)对色素分布预测图P进行对比度增强。设浮点数alpha的取值范围为[0.0,1.0],那么(1+alpha)的取值范围为[1.0,2.0]。对比度增强后的色素分布预测图为(1+alpha)*P,记为P’。
(3)将图像P’替换Ihsv图像通道中的S通道得到图像Ihsvp(I’),将Ihsvp变换到RGB颜色空间得到图像It(I1)。
(4)将Irgb和It进行Alpha融合得到图像If(I2),即:If=(1-alpha)*Irgb+alpha*I。
需要注意的是,上述步骤(2)~(4)均是对相应图像的像素值进行上述步骤的处理。
根据以上步骤,将RGB原图图转换到HSV颜色空间,用对比度增强后的色素分布预测图替换HSV颜色空间的S通道,再转回RGB颜色空间,最后跟原RGB图做alpha融合。设置不同的alpha值,可以得到不同的If,这样alpha值同时控制色素分布预测增强程度和alpha融合操作中Irgb与It的比例。效果如图7。
本发明的训练过程步骤(2)中,将伪彩色图像转换到HSV颜色空间,并以S通道代表色素含量分布。可以将伪彩色图像转换到其它颜色空间,比如转换到Lab颜色空间,取a通道作为色素含量分布。还可以将某个代表色素含量分布的颜色通道做一些增加变换,以突出色素含量的差异。
本发明的训练过程步骤(3)中,除了可以采用线性回归模型建立RGB图像像素值与色素含量的关系外,也可以采用其他回归模型,比如SVR,回归树模型,随机森林回归和神经网络模型等回归模型。
本发明的训练过程步骤(3)中,RGB通道去相关性正交基采用的是文献3中的去相关性正交基(文献3:DCT Image Denoising:a Simple and Effective Image DenoisingAlgorithm),可以存在其他的变换正交基,或者将RGB颜色空间变换到其它颜色空间,再建立其它颜色空间中的各分量通道跟色素含量的关系。
Claims (10)
1.一种皮肤色素分布预测方法,其特征在于,包括以下步骤:
1)获取训练集和测试集,所述训练集包括多对图片,每一对图片包括RGB图像和其对应的色素伪彩色图像;所述测试集包括多张不同肤色的RGB图像;
2)对于训练集中的任一对图片,对该对图片中的色素伪彩色图像进行转换,得到转换后的三个通道分量A、B、C;选择最能代表色素分布的通道,该通道图像的像素和该对图片中的RGB图像的像素构成训练样本对,利用所述训练样本对建立回归关系并求取回归系数;
3)对于测试集中的任一RGB图像,将该RGB图像的每个像素值与所述回归系数进行回归操作,计算每个像素的预测值V,可视化所有预测值,得到色素分布预测图P。
2.根据权利要求1所述的皮肤色素分布预测方法,其特征在于,步骤3)之后,还执行如下操作:
4)将测试集中的任一RGB图像I0转换到HSV颜色空间,得到图像I;
5)设置对比度增强系数,对所述色素分布预测图P进行对比度增强,得到图像P’;
6)将图像P’替换图像I中的S通道分量,得到图像I’,将图像I’变换到RGB颜色空间,得到图像I1;
7)融合RGB图像I0和I1,得到图像I2;
8)调整所述对比度增强系数,重复步骤5)~7),得到皮肤色素变化预测趋势图像序列。
3.根据权利要求1所述的皮肤色素分布预测方法,其特征在于,步骤5)中,利用所述色素分布预测图P得到色素分布热力图和/或色素分布红区图。
4.根据权利要求2所述的皮肤色素分布预测方法,其特征在于,步骤5)中,对比度增强后的色素分布预测图为P’,P’(x,y)=(1+alpha)*P(x,y);P’(x,y)、P(x,y)分别为图像P’、图像P任意位置的像素值;alpha的取值范围为[0.0,1.0]。
5.根据权利要求4所述的皮肤色素分布预测方法,其特征在于,步骤7)中,I2(x,y)=(1-alpha)*I0(x,y)+alpha*I1(x,y);I2(x,y)、I0(x,y)、I1(x,y)分别为图像I2、图像I0、图像I1任意位置的像素值。
6.根据权利要求1~5之一所述的皮肤色素分布预测方法,其特征在于,步骤2)中,将所述色素伪彩色图像转换到HSV颜色空间;则S通道为最能代表色素分布的通道。
7.根据权利要求1~5之一所述的皮肤色素分布预测方法,其特征在于,步骤2)中,利用回归模型建立训练集中任一RGB图像与色素含量的关系,通过优化回归模型,得到最优回归系数。
8.一种图像处理系统,其特征在于,包括:
采集单元,获取训练集和测试集,所述训练集包括多对图片,每一对图片包括RGB图像和其对应的色素伪彩色图像;所述测试集包括多张不同肤色的RGB图像;
训练单元,用于执行如下操作:对于训练集中的任一对图片,对该对图片中的色素伪彩色图像进行转换,得到转换后的三个通道分量A、B、C;选择最能代表色素分布的通道,该通道图像的像素和该对图片中的RGB图像的像素构成训练样本对,利用所述训练样本对建立回归关系并求取回归系数;
测试单元,用于执行如下操作:对于测试集中的任一RGB图像,将该RGB图像的每个像素值与所述回归系数进行回归操作,计算每个像素的预测值V,可视化所有预测值,得到色素分布预测图P。
9.根据权利要求8所述的图像处理系统,其特征在于,还包括色素变化趋势预测单元,用于将测试集中的任一RGB图像I0转换到HSV颜色空间,得到图像I;设置对比度增强系数,对所述色素分布预测图P进行对比度增强,得到图像P’;将图像P’替换图像I中的S通道分量,得到图像I’,将图像I’变换到RGB颜色空间,得到图像I1;融合图像I0和I1,得到图像I2;调整所述对比度增强系数,重复上述操作即得到皮肤色素变化预测趋势图像序列。
10.一种计算机可读存储介质,其存储有计算机程序,其特征在于,该计算机程序用于执行权利要求1~8之一所述的皮肤色素分布预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910693281.6A CN110473177B (zh) | 2019-07-30 | 2019-07-30 | 皮肤色素分布预测方法、图像处理系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910693281.6A CN110473177B (zh) | 2019-07-30 | 2019-07-30 | 皮肤色素分布预测方法、图像处理系统及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110473177A true CN110473177A (zh) | 2019-11-19 |
CN110473177B CN110473177B (zh) | 2022-12-09 |
Family
ID=68509916
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910693281.6A Active CN110473177B (zh) | 2019-07-30 | 2019-07-30 | 皮肤色素分布预测方法、图像处理系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110473177B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112464885A (zh) * | 2020-12-14 | 2021-03-09 | 上海交通大学 | 基于机器学习的面部色斑未来变化的图像处理系统 |
CN112686885A (zh) * | 2021-01-13 | 2021-04-20 | 北京农业信息技术研究中心 | 一种水果表皮缺陷检测方法及系统 |
CN113379716A (zh) * | 2021-06-24 | 2021-09-10 | 厦门美图之家科技有限公司 | 一种色斑预测方法、装置、设备及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104036300A (zh) * | 2014-06-18 | 2014-09-10 | 西安电子科技大学 | 基于均值漂移分割的遥感图像目标识别方法 |
CN105913460A (zh) * | 2015-11-26 | 2016-08-31 | 乐视致新电子科技(天津)有限公司 | 一种肤色检测方法及装置 |
WO2017092431A1 (zh) * | 2015-12-01 | 2017-06-08 | 乐视控股(北京)有限公司 | 基于肤色的人手检测方法及装置 |
-
2019
- 2019-07-30 CN CN201910693281.6A patent/CN110473177B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104036300A (zh) * | 2014-06-18 | 2014-09-10 | 西安电子科技大学 | 基于均值漂移分割的遥感图像目标识别方法 |
CN105913460A (zh) * | 2015-11-26 | 2016-08-31 | 乐视致新电子科技(天津)有限公司 | 一种肤色检测方法及装置 |
WO2017092431A1 (zh) * | 2015-12-01 | 2017-06-08 | 乐视控股(北京)有限公司 | 基于肤色的人手检测方法及装置 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112464885A (zh) * | 2020-12-14 | 2021-03-09 | 上海交通大学 | 基于机器学习的面部色斑未来变化的图像处理系统 |
CN112686885A (zh) * | 2021-01-13 | 2021-04-20 | 北京农业信息技术研究中心 | 一种水果表皮缺陷检测方法及系统 |
CN112686885B (zh) * | 2021-01-13 | 2024-06-11 | 北京农业信息技术研究中心 | 一种水果表皮缺陷检测方法及系统 |
CN113379716A (zh) * | 2021-06-24 | 2021-09-10 | 厦门美图之家科技有限公司 | 一种色斑预测方法、装置、设备及存储介质 |
CN113379716B (zh) * | 2021-06-24 | 2023-12-29 | 厦门美图宜肤科技有限公司 | 一种色斑预测方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110473177B (zh) | 2022-12-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Deep blind hyperspectral image fusion | |
CN110473177A (zh) | 皮肤色素分布预测方法、图像处理系统及存储介质 | |
Wang et al. | Subpixel mapping using Markov random field with multiple spectral constraints from subpixel shifted remote sensing images | |
Tsagaris et al. | Multispectral image fusion for improved RGB representation based on perceptual attributes | |
CN102227747A (zh) | 产生未染色生物标本的多色图像 | |
CN110533583B (zh) | 一种基于宫颈液基细胞的自适应图像增广系统 | |
Wang et al. | Meta underwater camera: A smart protocol for underwater image enhancement | |
CN113379764B (zh) | 一种基于域对抗自监督学习的病理图像分割方法 | |
CN105118076B (zh) | 基于过度分割和局部与全局一致性的图像彩色化方法 | |
CN109493309A (zh) | 一种保持显著性信息的红外与可见光图像变分融合方法 | |
Vazquez-Corral et al. | A fast image dehazing method that does not introduce color artifacts | |
Tang et al. | Integrating spatio-temporal-spectral information for downscaling Sentinel-3 OLCI images | |
Shi et al. | A joint deep neural networks-based method for single nighttime rainy image enhancement | |
Chang et al. | UIDEF: A real-world underwater image dataset and a color-contrast complementary image enhancement framework | |
Zou et al. | Hyperspectral image super-resolution combining with deep learning and spectral unmixing | |
Pierre et al. | Luminance-hue specification in the RGB space | |
CN116757979A (zh) | 胚胎图像融合方法、装置、电子设备及存储介质 | |
Ma et al. | Color discrimination enhancement for dichromats using self-organizing color transformation | |
Ren et al. | Hyperspectral unmixing using weighted sparse regression with total variation regularization | |
Cao et al. | Universal high spatial resolution hyperspectral imaging using hybrid-resolution image fusion | |
Cao et al. | Improved region growing algorithm for the calibration of flaking deterioration in ancient temple murals | |
Wei et al. | Spectral reflectance estimation based on two-step k-nearest neighbors locally weighted linear regression | |
Nair et al. | Benchmarking single image dehazing methods | |
CN111899153B (zh) | 一种面向合成应用的多层次仿射类抠像方法 | |
Pu et al. | A learning based approach to separate mixed X-ray images associated with artwork with concealed designs |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |